基于地基云圖與氣象數(shù)據(jù)的輻照度輕量化預測

鐘振興，馬曉波，安 巍

(同濟大學機械與能源工程學院，上海 201804)

太陽能光伏發(fā)電具有功率波動大，穩(wěn)定性差的缺點，生產(chǎn)、消耗量的不匹配會導致嚴重的棄光問題，造成能源浪費.為了提高太陽能利用效率，實現(xiàn)太陽能光伏、光熱產(chǎn)品產(chǎn)能的預測，輻照度的準確預測是其中重要的前提條件.近年來，許多學者針對這一問題展開了深入的研究.Heinle[1]采用K最近鄰域(K-Nearest Neighbors，KNN)分類法對晴空、積云、卷云、層云、積雨云等7種天空類型進行判斷，并各自訓練子模型作輻照度預測，其天空分類識別準確率可達74.58%.Zhang[2]等利用光伏發(fā)電系統(tǒng)附近的天空云圖，分別采用多層感知器、卷積神經(jīng)網(wǎng)絡、長短時記憶模塊構(gòu)造模型，實現(xiàn)了1 min～10 min內(nèi)的光伏系統(tǒng)性能預測，其卷積神經(jīng)網(wǎng)絡模型預測均方根誤差比持續(xù)模型降低了12.1%.蔣俊霞[3]等采用粒子圖像測速法計算云的速度矢量，利用地基云圖建立云識別和云量反演方法，預報未來時刻云的位置和云量，進而實現(xiàn)輻照度的超短期預測，其預測結(jié)果的均方根誤差為144.89 W/m2.周海[4]等以非線性方法集成了自回歸、神經(jīng)網(wǎng)絡、支持向量機模型，從而克服了單一模型的局限性，以光伏電站周圍氣象數(shù)據(jù)及當前輻照度作輸入，預測未來4小時內(nèi)輻照度，對比持續(xù)模型表現(xiàn)，其均方根誤差降低了約60%.馬燕峰[5]等對9項氣象參數(shù)共511種組合進行了分析，確定了最優(yōu)輸入值，構(gòu)建了非線性自回歸網(wǎng)絡模型，其在晴、低云量、高云量、陰雨等四種典型氣象條件測試中，標準均方根誤差取得了7%至54%不等的改善.

縱觀上述研究，其應用場景均為大型的光伏電場，在訓練過程中，其云圖特征往往是人為標定的，不僅標準難以統(tǒng)一，而且需要耗費大量人力時間.這些模型的結(jié)構(gòu)通常比較復雜，需要高性能計算機的支持，預測速度也往往較慢.從實用性角度來看，在光伏電站現(xiàn)場采樣預測過程中，能夠提供的算力條件往往有限，但使用智能算法自動提取云圖特征已成為一種必要的預測手段.這樣的矛盾導致發(fā)展有限算力的輕量化預測模型成為必然的選擇.

輕量化預測模型是指為了使模型能夠適用性能較低的計算條件，而對深度學習模型的訓練參數(shù)、預測準確率與預測耗時進行仔細的對比和調(diào)控的輻照度預測模型.除了上述的大型光伏電站應用場景外，隨著太陽能光電、光熱利用技術(shù)的成熟，太陽能產(chǎn)品在家庭用戶的普及率也在逐年上升.在小規(guī)模太陽能用戶的應用場景下，大型預測模型響應速度慢的缺陷更加難以忍受.同時，受原始數(shù)據(jù)集限制，大型模型往往僅使用地基云圖或氣象數(shù)據(jù)進行預測，沒有兩者兼顧，準確率還有較大的優(yōu)化空間.因此，太陽輻照度輕量化預測技術(shù)研究有著深刻的理論意義和廣闊的應用前景.

本文利用深度學習技術(shù)，采取卷積神經(jīng)網(wǎng)絡提取云圖特征，提出了一個整合地基云圖與氣象數(shù)據(jù)的輻照度輕量化預測模型.通過優(yōu)化其算法網(wǎng)絡結(jié)構(gòu)，大幅降低了預測模型的計算時間，能夠為家庭、個體用戶的太陽能產(chǎn)品提供準確快速的性能預測.

1 輕量化數(shù)據(jù)采集系統(tǒng)

深度學習算法通常需要進行大量的計算，但在許多實際應用的場合如光伏現(xiàn)場的檢修與調(diào)試中，往往只有便攜式計算機，算力條件十分有限，數(shù)據(jù)采集及預測系統(tǒng)需要做出有效的輕量化改進措施.Movidius神經(jīng)網(wǎng)絡計算棒集成了英特爾視覺處理器和深度神經(jīng)網(wǎng)絡硬件加速器，能以極低的功耗執(zhí)行高性能視覺推理運算[6].考慮到模型準確率與設備便攜性，本文采用了樹莓派卡片式計算機與Movidius神經(jīng)網(wǎng)絡計算棒結(jié)合的硬件平臺，完成了數(shù)據(jù)采集與實時預測計算，如圖1所示.連接樹莓派的輻照度、溫濕度、風速、風向等傳感器定時記錄氣象訊息，廣角攝像頭用于采集天空云圖，神經(jīng)網(wǎng)絡計算棒負責加速預測.各傳感器的性能參數(shù)，如表1所示.

表1 各氣象記錄傳感器參數(shù)

圖1 數(shù)據(jù)采集預測系統(tǒng)示意圖圖2 輻照度預測模型算法流程

2 輕量化預測模型架構(gòu)

2.1 輻照度預測模型算法流程

深度學習算法具有多層次的網(wǎng)絡結(jié)構(gòu)和重復訓練特征的迭代方式，能較好地應對輻照度預測問題.輻照度預測模型的訓練流程及預測流程，如圖2所示.首先，導入原始數(shù)據(jù)，清洗部分存在異常的節(jié)點；其次，對數(shù)據(jù)作批量歸一化，劃分訓練樣本及測試樣本；然后，建立模型進行迭代訓練，并作參數(shù)調(diào)優(yōu)測試；最終，訓練完畢獲取模型輸出文件.在實際預測場景下，將采集到的數(shù)據(jù)進行合適的預處理后，可利用訓練完畢導出的模型作預測，以得到合理結(jié)果.

2.2 典型未輕量化算法

決策樹模型具有誤差低、收斂快的特點，在數(shù)據(jù)預測工業(yè)案例中得到了廣泛應用.其代表Gradient Boosting[7]的核心思想為逐層學習，即不直接擬合最終的強模型F(x)，而是在n步的迭代中每一步迭代都得到一個基礎擬合函數(shù)fn(x)，通過累加的方式來推理得到最終的擬合函數(shù)

(1)

設x為輸入數(shù)據(jù)，y為數(shù)據(jù)真實值，則可定義損失函數(shù)L(y，F(xiàn)(x)).常設L為平方誤差損失函數(shù)，即L(y，F(xiàn)(x))=(y-F(x))2.在第m步的迭代開始前，已有前m-1步的累加模型Fm-1(x)、殘差項(y-Fm-1(x))和損失函數(shù)L(y，F(xiàn)m-1(x))，第m步中迭代訓練fm(x)的目的為盡量擬合上一步的殘差項，使得該步的總擬合函數(shù)Fm(x)=Fm-1(x)+fm(x)能更接近真實值y.Gradient Boosting算法利用損失函數(shù)L的負梯度在當前模型F(x)=Fm-1(x)的值來作為殘差的近似值，其負梯度r定義為

(2)

在第m步迭代中，在Fm-1(x)的基礎上嘗試用弱擬合函數(shù)hm(x)來進一步逼近真實數(shù)據(jù)y，并求出對應的損失函數(shù)L.調(diào)整hm(x)及其它參數(shù)，當L處于該步迭代的最小值時，可求出對應的負梯度rm.將rm作為權(quán)重與hm(x)相乘可以得到本次迭代的基礎擬合函數(shù)即fm(x)=rm×hm(x)，并以此進一步得到了該步的累加模型Fm(x).

研究表明，上述決策樹模型僅使用氣象數(shù)據(jù)作輻照度預測，容易出現(xiàn)過擬合，在實際測試時往往難以達到令人滿意的結(jié)果，使用云圖和配套氣象參數(shù)作訓練可為模型預測性能帶來明顯的提升[8].在對云圖的識別處理中，如何判斷云層厚度及運動趨勢是關鍵所在.卷積神經(jīng)網(wǎng)絡一般由卷積層、池化層和全連接層組成，有效模仿了生物的視覺機制，在處理圖像識別任務中得到了廣泛應用.因此，常用卷積神經(jīng)網(wǎng)絡分析云圖特征.卷積層主要對輸入進行卷積運算，設在2維空間有函數(shù)F和G，則其卷積為

(3)

其中，F(xiàn)(a，b)即為卷積核，卷積核大小為(2n+1)×(2n+1).卷積通過加權(quán)求和運算可以提取圖像特征，而池化層負責對卷積層輸出特征進行降維，根據(jù)降維方法可分為最大值池化與平均值池化.引入云圖識別任務后，模型數(shù)據(jù)計算量會大幅提升，亟需有效的輕量化措施以在保證準確率的前提下，改善運行速度.

2.3 氣象數(shù)據(jù)預測算法改進

LightGBM模型[9]針對傳統(tǒng)Gradient Boosting算法速度和可擴展性的不足做出了優(yōu)化，采用互斥特征捆綁與梯度單邊采樣策略，具有更低的內(nèi)存消耗與更高的準確率，有效緩解了計算數(shù)據(jù)量過大的問題.互斥特征捆綁指在稀疏特征空間中，若滿足大量特征同時取0值的條件，可將這些互斥特征合并，以降低特征維度和模型復雜度.梯度單邊采樣指相比傳統(tǒng)導入所有數(shù)據(jù)進行訓練的方法，其在每次訓練過程中只選取部分具有高梯度的樣本數(shù)據(jù)來嘗試擬合計算.LightGBM在保證預測準確率的前提下，降低了算力要求，但其在訓練時需要仔細調(diào)整樹的深度和葉子節(jié)點等參數(shù)，以避免過擬合現(xiàn)象的發(fā)生.

為了充分挖掘氣象數(shù)據(jù)變化對輻照度產(chǎn)生的影響，使用特征交叉的方式來擴充特征，即令溫度、濕度、風速、風向、當前輻照度等特征進行兩兩(或多個)相乘以構(gòu)建非線性關系，從而達到更佳的訓練效果，有效提升模型預測性能[10].本文利用LightGBM算法對所有的特征進行了相關性分析，繪制了特征相關性示意圖如圖3所示.可以看出，實際輻照度與當前輻照度、小時、溫度×濕度等參數(shù)存在較高相關性.考慮到模型復雜度與精確度的要求，本文最終選取了9個交叉特征：輻照度×輻照度、溫度×濕度、輻照度×溫度、輻照度×濕度、風向×風向、風速×濕度、風向×濕度、風速×風向、風速×溫度，與日期時間、溫濕度、風速風向及當前輻照度等基礎氣象信息一起共18個特征作為氣象數(shù)據(jù)輸入.

圖3 預測輻照度與輸入?yún)?shù)間的相關性

2.4 云圖處理及輕量化措施

如上所述，為了提升預測的準確性，在預測模型中需要引入地基云圖信息來預測未來時刻的輻照度.然而，一般處理圖像的預測算法往往計算量較重，并不適用于輕量化的預測設備.因此，為了能夠使用輕量化的計算設備處理云圖信息，就必須對云圖采取輕量化的深度學習模型.MobileNet預測模型專注于移動端或嵌入式設備，可有效減少計算量，在處理圖像識別任務中相對于傳統(tǒng)的深度學習模型有很大優(yōu)勢[11].相較于傳統(tǒng)的卷積步驟，MobileNet創(chuàng)新地采用深度可分離卷積方法(Depthwise Separable Convolution)以降低計算復雜度與參數(shù)個數(shù).傳統(tǒng)卷積步驟的計算量X1為

X1=DF×DF×M×DK×DK×N

(4)

其中：DF為輸入圖尺寸，M為輸入圖通道數(shù)，DK為卷積核尺寸，N為輸出通道數(shù)；而深度可分離卷積首先根據(jù)輸入通道進行按位相乘的計算，此時通道數(shù)不變；然后使用1×1的卷積核進行傳統(tǒng)的卷積運算，此時通道數(shù)改變.深度可分離卷積的計算量X2為

X2=DF×DF×M×DK×DK+1×1×M×DF×DF×N

(5)

例如，在如圖4所示的深度計算網(wǎng)絡結(jié)構(gòu)中，若設DK=3，則傳統(tǒng)卷積方法計算量約為271萬，深度可分離卷積計算量約為165萬，可節(jié)省39%的計算量，而且其在模型大小、運行速度層面都有較大優(yōu)化.

圖 4 傳統(tǒng)卷積(左)與MobileNet卷積(右)核心方法區(qū)別

受MobileNet模型參數(shù)少、體量輕等特點的啟發(fā)，如圖5所示.本文計算模型的網(wǎng)絡結(jié)構(gòu)與MobileNet設計相似，但有三點不同：(1)為了表達云的運動趨勢，模型中將相鄰時刻的兩幅地基云圖圖像權(quán)重平均值組合成了一張新云圖，相鄰時刻的兩幅地基云圖和融合所得的新云圖組合，可以在一定程度上表達出此階段內(nèi)云的運動趨勢.本模型輸入端不是單一圖片，而是由上述相鄰時刻的云圖及融合得新云圖組成的，而且在全連接層中添加了在LightGBM模型中篩選得到的18個氣象特征作為輸入；(2)本模型舍棄了MobileNet的頂端網(wǎng)絡結(jié)構(gòu)，以自行構(gòu)造的全連接層與回歸層取而代之.而且，與常規(guī)的遷移學習思路不同，考慮到云圖圖像的特殊性，其與網(wǎng)絡圖像交叉部分極少，本模型只使用了部分MobileNet的網(wǎng)絡結(jié)構(gòu)，而沒有使用MobileNet的模型權(quán)重；(3)本模型的預測目標為具體數(shù)值，即下一節(jié)點時刻的GHI，而不是圖像分類.

圖5 數(shù)據(jù)預測流程圖

3 數(shù)據(jù)收集及評估

本文所用云圖及配套氣象數(shù)據(jù)由部署于上海市同濟大學嘉定校區(qū)氣象觀測站提供.其中，天空云圖使用魚眼攝像頭捕獲，采集時間為5分鐘，并用圖像處理庫OpenCV對云圖邊緣存在畸變處進行批量剪裁.配套氣象數(shù)據(jù)實測于2019年11月至12月及2020年6月至8月，共收集了3 671組數(shù)據(jù)，其中3 234組數(shù)據(jù)用于模型訓練及驗證，437組數(shù)據(jù)用于測試模型預測結(jié)果.

對于預測結(jié)果的準確性評價，可以定義如下的誤差評價指標：

(6)

(7)

(8)

(9)

其中，MAE(Mean Absolute Error)為平均絕對誤差，反映了預測值誤差的實際情況.nMAE(Normalized Mean Absolute Error)為相對平均絕對誤差，nRMSE(Normalized Root Mean Square Error)為相對均方根誤差，它們均反映了預測值整體的相對誤差，且nRMSE更關注數(shù)據(jù)的異常值表現(xiàn).技能得分SS(Skill Score)可定量評估模型改善程度.上式中：N為整體樣本個數(shù)；xt為樣本實際值；x′t為樣本預測值；x為樣本整體平均值；ε0為參照模型的某個性能參數(shù)(如MAE、nMAE、nRMSE等)；ε1為對應的測試模型性能參數(shù).

4 算例分析

本文以Keras 2.3+TensorFlow 1.14為學習框架，并利用開源圖像處理函數(shù)庫OpenCV 4.1處理云圖數(shù)據(jù).模型采用Adam優(yōu)化算法，學習率衰減策略：當驗證集損失值持續(xù)10步不下降時則減少學習率為原來的1/10.模型訓練完成后，將權(quán)重數(shù)據(jù)與推斷程序打包轉(zhuǎn)換成輕量化的專用文件供現(xiàn)場預測的樹莓派計算平臺使用.

以不同方法對30分鐘后輻照度進行預測的結(jié)果，如表2所示.由前兩組不同輸入的對比實驗可見，單純的圖像輸入或者氣象數(shù)據(jù)輸入較圖像與數(shù)據(jù)結(jié)合模型的預測效果差.以基礎卷積-回歸網(wǎng)絡模型、卷積-徑向基函數(shù)(CNN-RBF)預測模型[7]做性能對比，結(jié)果顯示：在不同的典型天氣類型下，卷積-多層感知器(MobileNet-MLP)輕量化預測模型的相對均方根誤差均低于其他預測方法.與未作輕量化處理的原模型相比，由于輕量化模型預先對權(quán)重文件進行了轉(zhuǎn)換，并針對數(shù)據(jù)流讀取方式做了優(yōu)化，在加載模型與讀圖速度方面都有明顯提升，以單組圖片為例，在不損失準確率的前提下，預測時間縮短了71%.

表2 預測模型的性能比較

圖6展示了各模型在多種典型天氣情況下的預測結(jié)果.圖6(a)為冬季晴天天氣，圖6(b)為夏季晴天天氣，圖6(c)為夏季多云轉(zhuǎn)陰天氣，圖6(d)為夏季陰雨天氣.可以看出，晴天天氣輻照度隨時間變化規(guī)律較為明顯，而多云天氣及陰雨天氣輻照度波動較大，預測難度也有所上升；從季節(jié)角度來看，季節(jié)更替時輻照度波動沒有明顯變化，最主要的區(qū)別體現(xiàn)在輻照度峰值上，夏季輻照度峰值可達近1 100 W/m2，而冬季輻照度峰值往往只有約600 W/m2；圖6-d)中的夏季陰雨天氣氣象參數(shù)波動劇烈，從而導致各模型預測輻照度誤差較大，預測出現(xiàn)了一定的滯后.由上述圖表可知，本輕量化模型的預測結(jié)果最接近真實值，MAE，nMAE，nRMSE的技能得分相對基礎模型分別提高了24.6%、19.5%、25.5%.

圖 6 各模型在不同天氣條件下預測結(jié)果

5 結(jié) 論

在短時輻照度預測中，本文利用深度學習技術(shù)對相連地基云圖作融合變換，自動判斷天空的變化趨勢，并基于LightGBM模型完成了氣象參數(shù)的篩選，從而有效提升了輻照度的預測精度.通過優(yōu)化輸入?yún)?shù)、重構(gòu)MobileNet網(wǎng)絡結(jié)構(gòu)和使用Movidius計算棒轉(zhuǎn)換模型等輕量化措施，合理簡化了預測模型，有效提升了預測速度，實現(xiàn)了輻照度的輕量化預測.

算例結(jié)果表明，本文提出的輕量化預測模型在進行超短期輻照度預測時，平均均方根誤差在16%左右，誤差值較傳統(tǒng)預測方法下降了5.5%，同時，在預測速度上也提升了71%，有效緩解了大型光伏預測模型臃腫遲滯的問題.本模型具有輕便快捷、準確高效的特點，既可供大型光伏電場工作人員現(xiàn)場調(diào)試使用，也為家庭太陽能產(chǎn)品的高效利用提供了新思路.